![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
木头吃日历
努力才可能成功
展开
-
Flow-based学习笔记
Flow-based 学习笔记flow-based的生成效果虽然不如GAN,但他已经非常接近GAN,足够惊艳。流模型是一种比较独特的生成模型——它选择直接直面生成模型的概率计算,要知道现阶段其他较火的生成模型,要么采用优化上界(VAE)或采用对抗训练的方式(GAN)去避开概率计算,从而寻找近似逼近真实分布的方法,但是流模型选择了一条硬路(主要是通过变换Jacobian 行列式)来求解,在后文会详细介绍。1. 生成模型在讲述Flow-based模型之前,首先介绍一下生成模型要解决什么问题:如上图原创 2020-05-12 22:46:50 · 1802 阅读 · 0 评论 -
VAE学习笔记
VAE学习笔记VAE作为比GAN早的生成模型,虽然效果不如GAN,但是也是非常值得学习的,毕竟融合了VAE和GAN的模型也不少。Autoencoding在讲VAE之前,一定要先简单讲一下Autoencoding,因为VAE就是变分的Autoencoding。在autoencoder模型中,我们加入一个编码器,它能帮我们把图片编码成向量。然后解码器能够把这些向量恢复成图片。但是,我们想建一个产生式模型,而不是一个只是储存图片的网络。现在我们还不能产生任何未知的东西,因为我们不能随意产生合理的潜在变原创 2020-05-12 22:13:05 · 469 阅读 · 0 评论 -
GAN学习笔记
GAN生成模型学习笔记GAN算是现阶段生成模型里最好的model。通过判别器和生成器的反复对抗,能够不断更新判别器和生成器。本文从整体结构出发,系统的讲述GAN的流程和算法,并介绍当前较火的DCGAN,将卷积网络引入到生成式模型当中来做无监督的训练,利用卷积网络强大的特征提取能力来提高生成网络的学习效果。GAN整体结构由上图可以看出,GAN首先把噪声数据 z(也就是我们说的假数据)通过生成模型 G,伪装成了真实数据 x。之后将x输入到判别器中,由判别器判别是真实图片或虚假图片。我们最终想得到的结果是原创 2020-05-12 21:57:57 · 334 阅读 · 0 评论